一种复合型校正植被信息的方法

doi:10.13474/j.cnki.11-2246.2022.0170.

测绘通报 ›› 2022, Vol. 0 ›› Issue (6): 49-54142.doi: 10.13474/j.cnki.11-2246.2022.0170.

一种复合型校正植被信息的方法

李茂林¹, 闫庆武², 仲晓雅¹

1. 中国矿业大学环境与测绘学院, 江苏徐州 221116;
2. 中国矿业大学公共管理学院, 江苏徐州 221116

收稿日期:2021-11-09 修回日期:2022-05-02 发布日期:2022-06-30
作者简介:李茂林(1996-),男,硕士,主要从事GIS应用方面的研究。E-mail:LeeMaolin@cumt.edu.cn通信简介:闫庆武。E-mail:yanqingwu@cumt.edu.cn
基金资助:
内蒙古自治区科技计划(2060399—273);国家自然科学基金(51874306)

A compound method for correcting vegetation information

LI Maolin¹, YAN Qingwu², ZHONG Xiaoya¹

1. College of Environment Science and Spatial Informatics, China University of Mining and Technology, Xuzhou 221116, China;
2. School of Public Policy and Management, China University of Mining and Technology, Xuzhou 221116, China

Received:2021-11-09 Revised:2022-05-02 Published:2022-06-30

摘要/Abstract

摘要： 遥感技术能快速获取大范围的植被信息,但却存在植被信息混分等问题。基于地物光谱差异特征,本文采用复合植被指数的形式提出了一种校正植被信息的方法。结果表明:在增强植被信息方面,该方法弥补了NDVI_Rad过饱和的缺点,使得高覆盖植被的信息值在0.7以上;在抑制非植被方面,该方法将植被和非植被进行了分离,使得大部分非植被的信息值在0以下;此外,在“抗地形”方面,该方法引入了“抗地形”因子(δ/Red),一定程度上削减了地形对植被提取带来的影响。

关键词: 植被, 光谱分析, 地形, 植被指数, 遥感影像

Abstract: Remote sensing technology can quickly obtain a large range of vegetation information. However, there exist some problems such as mixed classification of vegetation information. Therefore, a compound method for correcting vegetation information is established in the form of composite wavebands on the basis of spectral difference characteristics of ground objects. It is found that in terms of enhancing vegetation information, the method makes the information of high-cover vegetation information above 0.7, and alleviates the phenomenon of NDVI_radover-saturation in high-cover vegetation. In terms of restraining non-vegetation features, the method separate vegetation from non-vegetation. making the information of most non-vegetation features information below zero. Additionally, in terms of anti-terrain, the method introduces δ/Red factor, reducing the impact of terrain on vegetation extraction to some extent.

Key words: vegetation, spectrum analysis, topography, vegetation index, remote sensing image

中图分类号:

P237

李茂林, 闫庆武, 仲晓雅. 一种复合型校正植被信息的方法[J]. 测绘通报, 2022, 0(6): 49-54142.

LI Maolin, YAN Qingwu, ZHONG Xiaoya. A compound method for correcting vegetation information[J]. Bulletin of Surveying and Mapping, 2022, 0(6): 49-54142.

参考文献

[1] 张慧,李平衡,周国模,等.植被指数的地形效应研究进展[J].应用生态学报,2018,29(2):669-677.
[2] 陈如如,胡中民,李胜功,等.不同数据源归一化植被指数在中国北方草原区的应用比较[J].地球信息科学学报,2020,22(9):1910-1919.
[3] 王丽涛,王世新,周艺,等.旱情遥感监测研究进展与应用案例分析[J].遥感学报,2011,15(6):1315-1330.
[4] 高海东,庞国伟,李占斌,等.黄土高原植被恢复潜力研究[J].地理学报,2017,72(5):863-874.
[5] BULLOCK E L,WOODCOCK C E,OLOFSSON P.Monitoring tropical forest degradation using spectral unmixing and Landsat time series analysis[J].Remote Sensing of Environment,2020,238:110968.
[6] 江洪,何国金,黄海明,等.基于波段比模型的地形调节植被指数组合算法构建与验证[J].农业工程学报,2017,33(5):156-161.
[7] 高仁强,欧阳建,陈亮雄,等.鹤地水库SPOT7影像分类研究[J].测绘科学,2019,44(9):90-99.
[8] BEKTAS BALCIK F,KARAKACAN KUZUCU A.Determination of land cover/land use using spot 7 data with supervised classification methods[J].The International Archives of the Photogrammetry,Remote Sensing and Spatial Information Sciences,2016,XLII-2/W1:143-146.
[9] BHUGELOO A,PEERBHAY K,RAMDHANI S,et al.Assessing the trade-offs of Spot 7 imagery for monitoring natural forest canopy intactness[J].Forests,2018,9(12):718.
[10] BIRTH G S,MCVEY G R.Measuring the color of growing turf with a reflectance Spectrophotometer1[J].Agronomy Journal,1968,60(6):640-643.
[11] ROUSE J,HAAS R,SHELL J,et al.Monitoring vegetation systems in the Great Plains with ERTS[C]//Proceedings of the 3rd Earth Resources Technology Satellite-1 Symposium.Washington:NASA Scientific and Technical Information Office,1973:309-317.
[12] 贾坤,姚云军,魏香琴,等.植被覆盖度遥感估算研究进展[J].地球科学进展,2013,28(7):774-782.
[13] KANG Yanghui,ÖZDO AǦU AN M,ZIPPER S C,et al.How universal is the relationship between remotely sensed vegetation indices and crop leaf area index?A global assessment[J].Remote Sensing,2016,8(7):597.
[14] 柳晓农,江洪,汪小钦.构建植被区分阴影消除植被指数提取山地植被信息[J].农业工程学报,2019,35(20):135-144.
[15] JIANG Hong,WANG Sen,CAO Xiaojie,et al.A shadow-eliminated vegetation index (SEVI) for removal of self and cast shadow effects on vegetation in rugged terrains[J].International Journal of Digital Earth,2019,12(9):1013-1029.
[16] 翟天林,金贵,邓祥征,等.植被信息的Landsat8卫星影像提取方法[J].测绘科学,2016,41(10):126-131.
[17] 陶欢,李存军,周静平,等.基于高分1号影像的森林植被信息提取[J].自然资源学报,2018,33(6):1068-1079.
[18] 沈明霞,何瑞银,丛静华,等.基于主成分分析与Brovey变换的ETM+影像植被信息提取[J].农业机械学报,2007,38(9):87-89.
[19] 张亦然,刘廷玺,童新,等.基于U型神经网络的沙丘-草甸相间地区无人机影像植被覆盖度提取及其影响因素[J].中国沙漠,2021,41(3):16-24.
[20] 程东亚,李旭东.大气校正前后山地流域NDVI变化特征对比[J].国土资源遥感,2020,32(1):90-97.
[21] 刘耀林,赵翔,马潇雅,等.TM/ETM+影像大气校正产品质量评价方法研究[J].测绘学报,2012,41(4):549-555.
[22] 郑盛,赵祥,张颢,等.HJ-1卫星CCD数据的大气校正及其效果分析[J].遥感学报,2011,15(4):709-721.
[23] 李妍敏,舒双宝,李志文,等.高分一号WFV相机的大气校正与图像质量评估[J].光学学报,2020,40(20):33-41.
[24] 王涛,周川杰,易维宁,等.基于大气校正提升亚米级卫星影像质量[J].光学学报,2021,41(11):27-34.
[25] 李卫国,蒋楠,王纪华.基于薄云雾去除的ETM+影像大气校正[J].农业工程学报,2013,29(S1):82-88.
[26] 陈学兄,常庆瑞,毕如田,等.基于山地植被指数估算临县植被覆盖度[J].应用基础与工程科学学报,2020,28(2):310-320.
[27] 赵丽红,王屏,欧阳勋志,等.南昌市植被覆盖度时空演变及其对非气候因素的响应[J].生态学报,2016,36(12):3723-3733.
[28] 王国芳,毕如田,张吴平,等.典型矿区植被覆盖度时空分布特征及影响因素[J].生态学报,2020,40(17):6046-6056.
[29] 李骊,张青青,赵新风,等.和田河河岸近17a天然植被动态变化及其驱动力分析[J].干旱区资源与环境,2020,34(10):153-159.
[30] 刘洋,李诚志,刘志辉,等.1982-2013年基于GIMMS-NDVI的新疆植被覆盖时空变化[J].生态学报,2016,36(19):6198-6208.
[31] 李苗苗,吴炳方,颜长珍,等.密云水库上游植被覆盖度的遥感估算[J].资源科学,2004,26(4):153-159.
[32] 高永年,张万昌.遥感影像地形校正研究进展及其比较试验[J].地理研究,2008,27(2):467-477,484.
[33] 穆悦,曹晓阳,冯益明,等.地形复杂山区常用植被指数的地形校正对比[J].地球信息科学学报,2016,18(7):951-961.

一种复合型校正植被信息的方法

A compound method for correcting vegetation information

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

[1]	赵侃, 师芸, 牛敏杰. Google Earth Engine平台下秦岭地区植被覆盖时空变化分析[J]. 测绘通报, 2022, 0(5): 49-55.
[2]	张龚泉, 岳建平, 刘胜男, 王海龙, 杨智翔, 周航宇. 基于遥感影像的鄱阳湖地形提取方法[J]. 测绘通报, 2022, 0(5): 62-66,73.
[3]	潘建平, 付占宝, 程卫华, 陆世安, 李鑫, 孙博文, 黄桂萍. 基于地表类型的山地海绵城市生态建设评估[J]. 测绘通报, 2022, 0(5): 84-88.
[4]	陈智朗, 付振华, 朱紫阳, 王慧慧, 刘沁雯, 杨钰灵, 许耿然. 基于HRNet的高分辨率遥感影像建筑物变化信息提取[J]. 测绘通报, 2022, 0(5): 126-132.
[5]	刘小玉, 刘扬, 杜明义, 张敏, 贾竞珏, 杨恒. 基于DeeplabV3+的建筑垃圾堆放点识别[J]. 测绘通报, 2022, 0(4): 16-19,43.
[6]	兰峰, 张帆, 高云龙, 黄先锋. 顾及地物类别的倾斜摄影三维模型简化方法[J]. 测绘通报, 2022, 0(4): 44-50.
[7]	王雪, 梁珂, 隋立春, 钟棉卿, 朱剑锋. 膨胀卷积与金字塔表达的深度学习模型用于农村建筑物提取[J]. 测绘通报, 2022, 0(4): 61-65.
[8]	毕瑞, 甘淑, 袁希平, 李绕波, 高莎. 不同地形环境下无人机航线规划及三维建模分析[J]. 测绘通报, 2022, 0(4): 83-89,129.
[9]	高鸣, 周鑫鑫, 刘琦, 杨光迪, 吴长彬. 深度学习网络支持下的农房侵占耕地自动化监测[J]. 测绘通报, 2022, 0(3): 47-53.
[10]	王刚, 丁华祥. Sentinel-2A数据支持下的雷州半岛植被类型识别[J]. 测绘通报, 2022, 0(3): 76-82.
[11]	王胜利, 朱寿红, 蒋毅. 基于CNN模型迁移的OLI影像光伏电池板场景识别[J]. 测绘通报, 2022, 0(2): 5-9.
[12]	石壮, 杜全叶, 王庆栋, 马东岭, 崔琰. 虚拟格网分类支持下的密集匹配点云布料模拟滤波[J]. 测绘通报, 2022, 0(2): 73-77.
[13]	程滔, 管林杰, 郑新燕, 陶舒, 高崟. 基于色调饱和度亮度模型的可见光植被提取[J]. 测绘通报, 2022, 0(2): 116-120.
[14]	贾煜, 汪泓, 蔡宏, 张磊. 结合地形因子与分层策略的喀斯特地区无人机影像分类[J]. 测绘通报, 2022, 0(2): 121-127.
[15]	柳絮, 张宁, 徐晓天, 安超, 许士翔, 李程. 基于多源空间数据与空地协同的植被覆盖度估算——以东亚干草草原为例[J]. 测绘通报, 2022, 0(1): 39-43,55.